何性顺，苏健军，段奇三

(1.西安近代化学研究所，西安 710065； 2.北京地景科技有限公司，北京 100088)

三维激光扫描技术是一种非接触式的自动测量技术，它通过激光测量物体的角度和距离，能够快速获得物体表面的高精度三维信息，精度可达毫米级且不受光线等因素的影响[1-3]。三维扫描技术在越来越多的领域获得了广泛的应用，大量用于建筑变形监测、古建筑保护、产品质量监控、工程测量等领域，具有高精度、高密度、高效率等优点[4]。随着三维激光技术的广泛应用，许多学者对其进行一系列相关的研究和应用。

三维激光扫描技术高效、高精度的优点对于开展军工领域的部分研究工作具有借鉴作用和应用潜力。破片毁伤在战斗部毁伤效应中有其重要的地位，不仅表现为对目标的硬杀伤，在防空反导方面也有其他毁伤效应(超压、热、声、电磁、窒息等)无法替代的作用，因此获取战斗部破片参数非常必要。战斗部静爆后的破片群速度及分布，是评价导弹及常规弹丸等战斗部的作战性能的重要指标。通过在战斗部周围设置靶板来记录爆炸后穿孔的形态、位置及抛射方向，飞散程度等。在进行靶板孔洞特征统计时需要采用人工统计的方法，用肉眼进行靶板上孔洞和凹坑等特征的识别和统计，效率低下且准确度也无法达到要求，原始数据不易保存。

张弛等利用三维激光扫描技术对临近爆破施工隧道进行变形监测，比较多时期提取的点云切片数据的重心坐标，重心矩等参数分析形变量[5]。施富强等利用三维激光扫描技术建立爆破数字化模型，同时实现爆破中的爆破设计，效果分析，质量控制的数字化[6]。喻战江等采用三维激光扫描技术获取爆堆三维数字化几何要素、进而提取表面块度三维几何尺寸并且通过统计分析方法分级归类，实现爆破块度三维分级[7]。相关研究人员利用三维激光技术在民用领域取得了丰富的研究成果，受此启发，本项目开始探索该技术在军工领域的应用研究。

本研究采用三维激光扫描技术，利用获得的靶板点云数据提取穿孔特征，特征多为孔洞及类似孔洞的凹坑等特征，三维点云孔洞边界的提取算法主要分为两类：一类是利用点云数据的网格结构提取边界；另一类是利用点云数据的邻域几何信息提取边界[8-11]。现有算法主要针对散乱点云提取孔洞边界，不能完全满足本文的靶板穿孔特征提取需求。参照已有的点云孔洞提取方法，依据原始点云特征与扫描点云阵列分布特点，本文提出采用点间距变化阈值来判断相关特征，结合不同穿孔几何特征进行分类判别，有效提取靶板穿孔及凹坑等特征，通过计算特征的位置、面积、飞散角等数值评估爆炸范围及威力。

1 原始点云数据预处理

扫描选用Faro X130相位式激光扫描仪获取靶板爆破现场三维数据，相位式激光扫描仪能够快速获取靶板及其周边环境场景各个物体的三维数据，扫描原始点云呈阵列式分布，首先对原始点云进行预处理操作，预处理包括点云配准与点云噪声剔除。

首先要在爆破前对战斗部和靶板进行第一次扫描，获得战斗部和靶板点云，爆破后第二次扫描靶板。将两次扫描得到的点云通过标靶纸进行粗配准后再进行精配准，精配准采用ICP配准法[12-13]。从而将爆破前后两点云配准到一个坐标系下，以便计算爆破中心和靶板中心从而计算爆破飞散角。

点云去噪常用方法有：高斯滤波、几何滤波、双边滤波等[14-15]。目的是为了消除具有边缘特征的高频几何信息的点，保留主体点云。由于原始靶板点云为有序点云，双边滤波将距离和空间结构结合去噪，是通过取邻近采样点的加权平均来修正当前采样点的位置，从而达到滤波效果；同时也会有选择地剔除部分与当前采样点“差异”较大的相邻采样点，从而达到保持原特征的目的。可直接适用于有序点云，效果较好，因此采用此方法对原始点云进行噪声剔除处理。

2 靶板穿孔特征识别

相位式激光扫描仪的扫描原始点云是有序点云，距离扫描中心越远，其点云相邻点间距越大。激光扫描仪扫描到靶板的孔洞或者边界，一般返回结果为空点，即三轴坐标值均为零，或者不同于目标周围正常表面点，也就是距离突变点。本文研究的靶板爆破特征主要包含孔洞、凹坑、裂隙3种特征。其中孔洞是爆破穿透靶板形成的中空孔洞，在点云中体现为内含空点的封闭图形。如图1(a)所示；凹坑是指爆破未穿透靶板形成，沿爆破方向产生的形变，虽并未穿透，但凹坑内点云相邻点间距与周边区域点间距有明显变化。其中凹坑典型效果如图1(b)所示；裂隙是指因爆破导致靶板断裂形成的狭长孔洞，如图1(c)所示。

图1 爆破特征示意图

2.1 靶板穿孔特征识别

因爆破形成的孔洞会沿爆破方向产生变形。在激光扫描点云中，靶板孔洞具有边界效应。突变部位与正常扫描点间距远大于正常扫描点的平均点间距。通过查找空点，其坐标为(0,0,0)的邻接点，判断是否存在距离突变，便可以识别出孔洞的边界。对于凹坑，其内部虽不为空点但仍有点间距的突变，剖面图如图2。如果能识别出这些距离突变，便能得到孔洞和凹坑位置。

图2 典型爆破特征点云分布示意图

因扫描距离、入射角度及靶板的长度、弧度、凹坑等因素都会使点云间距发生改变，为了消除这些因素对阈值判断的影响，当前点邻域平均点间距计算时，需剔除空点及突变点。设横向点与纵向点间距阈值trow和tcol，其计算表达式为：

(1)

(2)

其中，ε为平均点间距阈值系数。

2.2 靶板穿孔特征分类

通过计算得到的每个点在邻域内横向和纵向的平均距离与间距阈值进行比较，通过点间距离突变阈值筛选后，将筛选出的点集中两两相邻的点不重复的存入一个单独的列表中，形成一个特征。所有特征中不仅包含上文所提到的3种特征对象，由于靶板外边框与外界空点也有极大距离突变，也会被识别为一个单独的特征。通过规定单个特征点云点个数大小将点数过多的特征去除。进而达到去除靶板外边框的效果。经过实验规定点个数在3～300时可包含所有特征对象而将靶板外边框去除。

在特征列表中去除裂隙后，便只包含孔洞和凹坑。依据其特征，只需判断特征内是否有与空点相邻接的点。若邻域内与空点邻接则为孔洞。若不与空点邻接，则为凹坑。并将识别到的孔洞存入初始孔洞点集。凹坑存入初始凹坑点集。识别过程具体算法流程如图3所示。

图3 特征分类流程框图

2.3 靶板穿孔特征提取

在识别出的孔洞中，因扫描密度不足，会导致两个或以上孔洞被识别成同一孔洞。此时便需要分别提取其边界，获得准确的孔洞边界和孔洞个数。识别方法如下：以与空点相邻的点是边界点为筛选条件，删除孔洞点集中与空点不相邻的点以获得边界点集。如果边界点集中的点所包围的空点存在孤点，不能相互联通，则认为该孔洞由多个孔洞组成，并进行进一步划分，如图4所示。凹坑的边界只取点集中最外围的点作为边界，如图5所示。

图4 孔洞及凹坑边界提取示意图

3 实例分析

使用Faro X130三维激光扫描仪对某次战斗部静爆试验前后时期的靶板进行扫描获得原始靶板点云数据，靶板采用1.5 m×2 m×6 mm规格的Q235钢板，按照4行3列竖立铺设于距爆心5 m处的圆弧，用于拦截战斗部爆炸后形成的破片，如图5所示。试验后靶板实物如图6所示。其中点云扫描点密度约为7.6 mm/10.0 m。

图5 原始靶板扫描点云正视图

图6 试验后靶板实物图(局部放大)

点间距阈值系数ε、邻域大小k，宽高比大小Sh系数对精度影响较明显，所以需要通过反复试验测定其精确范围。点间距阈值系数ε会影响算法的运行时间和筛选精度，选择更合适的阈值系数能在尽量短的时间内更为精确的确定孔洞点。通过测试发现ε小于1时会将点云间距的自然波动识别为突变。1.2～2.0之间运行时间变化不大。因此选定ε=1.7。k的大小决定了需要重复遍历的点数的个数，对算法时间及结果都存在较大影响，由于k主要影响凹坑识别个数的多少，对于孔洞识别基本无影响。所以本文优先考虑时间长短作为评判标准，选定k=5。依据算法宽高比S越小，孔洞越接近圆形，反之则越狭长。其对运行时间无影响，Sh=0.6为最佳值，超过0.6则会将裂隙识别为孔洞。特征点个数规定在3～300区间范围内，

对靶板进行特征提取操作，获得全部靶板特征，特征整体识别效果见图7所示，可知靶板共识别218个特征，红色为孔洞，绿色为凹坑，其中孔洞120个，凹坑98个，裂隙不计入结果。对特征进行放大操作，如图8所示，可以看到特征边界均被很好地提取了出来，由于扫描密度不够导致的孔洞粘连其边界也被很好地提取了出来。通过输出孔洞可以获得每一个特征的几何信息，见表1。通过以往的人工统计手段，孔洞为124个，凹坑103个，可见该方法对靶板穿孔和凹坑的统计成功率均超过了95%，满足使用需求，并且通过图9可以方便地得出战斗部产品的飞散角等重要参数。

图7 靶板特征整体识别效果示意图

图8 靶板特征边界提取效果示意图

图9 战斗部中心与靶板穿孔中心连线的射线图

表1 靶板穿孔特征信息统计表

续表(表1)

4 结论

针对相位式三维激光扫描仪获取靶板点云进行穿孔特征提取，依据特征与扫描点云阵列分布特点，提出采用点间距变化阈值判断相关特征，用自适应点距判断方法，结合不同爆破特征进行分类判别，有效提取靶板孔洞及凹坑等目标，通过实际数据验证，提出的算法提取爆破穿孔特征精度高，有效输出爆破孔洞的位置、形状及抛射方向，可为爆破效果评估提供参考。

基于点间距变化阈值来判断特征点提取孔洞边界的方法在精度方面相较其他方法具有很大优势，针对有序点云不需要构建空间索引，速度更快。在接下来的工作中，将着重研究如何实现多个点云孔洞同时识别，进一步缩短提取时间，提高效率，结合实际，使其适用范围更广。